Hibridni pristopi

Question 1

Kaj so hibridni pristopi?

Answer 1

Hibridni pristopi so kombinacija dveh ali več metod strojnega učenja, ki združujejo njihove prednosti za reševanje kompleksnih problemov.

Question 2

Zakaj pri strojnih pristopih nimamo jasnega zmagovalca?

Answer 2

Vsak problem ima specifične zahteve, zato je potrebno preizkusiti različne pristope, da ugotovimo, kateri je najbolj učinkovit.

Question 3

Kakšne so glavne značilnosti odločitvenih dreves?

Answer 3

• Simbolični pristop.
• Nadzorovano učenje na podlagi rešenih primerov.
• Uporabljajo metodo “Deli in vladaj”.
• Atribute izbirajo s heurističnimi funkcijami.
• Zahtevajo diskretizacijo numeričnih vrednosti

Question 4

Kaj je posebnost nevronskih mrež v primerjavi z odločitvenimi drevesi?

Answer 4

Nevronske mreže uporabljajo konektivistični pristop, pogosto zahtevajo več dela pri določanju topologije in uporabljajo metodo backpropagation za učenje.

Question 5

Kaj so grobe množice in kdaj so učinkovite?

Answer 5

Grobe množice temeljijo na teoriji množic in so učinkovite pri učenju z nepopolnimi podatki ter na majhnih učnih množicah.

Question 6

Kaj je cilj hibridnih pristopov?

Answer 6

Združiti dobre lastnosti osnovnih metod v učinkovit hibrid, na primer:

• Odločitvena drevesa + nevronske mreže.
• Nevronske mreže + grobe množice.

Question 7

Kaj so ansambelske metode?

Answer 7

Namesto enega klasifikatorja uporabljajo več klasifikatorjev (ekspertov), ki glasujejo o končni odločitvi.

Question 8

Kakšni so glavni cilji ansambelskih metod?

Answer 8

• Povečati natančnost.
• Zmanjšati vpliv posameznih klasifikatorjev na končno odločitev.

Question 9

Kaj so slabosti ansambelskih metod?

Answer 9

Težja interpretacija rezultatov zaradi uporabe več klasifikatorjev.

Question 10

Katere pristope uporabljajo ansambelske metode?

Answer 10

• Bagging.
• Boosting.
• Random forests.

Question 11

Kaj je glavna ideja bagginga?

Answer 11

Uporablja bootstrap vzorčenje za ustvarjanje raznolikosti učnih podmnožic in omogoča paralelno procesiranje.

Question 12

Kakšne variante bagginga poznamo?

Answer 12

• Spreminjanje velikosti učnih podmnožic.
• Vzorčenje brez vračanja.
• Vzorčenje atributov.
• Uporaba različnih metod strojnega učenja v ansamblu

Question 13

Kako deluje boosting?

Answer 13

Boosting uporablja uteženo glasovanje, kjer so uteži odvisne od natančnosti klasifikatorjev, in iterativno popravlja napake prejšnjega klasifikatorja.

Question 14

Kaj je random forests?

Answer 14

Random forests razširjajo idejo bagginga z vzorčenjem tako učnih objektov kot atributov, kar poveča raznolikost klasifikatorjev.

Question 15

Kakšne so prednosti random forests v primerjavi z boostingom?

Answer 15

• So bolj robustni.
• Enostavni za gradnjo.
• Primerni za paralelizacijo.
• Pogosto natančnejši.

Question 16

Kaj so evolucijski algoritmi?

Answer 16

Algoritmi, ki posnemajo naravne procese, kot so križanje, mutacija in selekcija, za iskanje rešitev kompleksnih problemov.

Question 17

Katere vrste evolucijskih algoritmov poznamo?

Answer 17

• Genetski algoritmi (resitev obicajno v obliki binarnih vektorjev), uporabljajo krizanje, mutacijo in selekcijo
• Genetsko programiranje (resitev v obliki racunalniskega programa fitnes je dolocena z uspesnostjo resitve racunskega problema), uporabljajo krizanje, mutacijo in selekcijo
• Evolucijske strategije (resitev v obliki vektorja realnih stevil), uporabljajo mutacijo in selekcijo
• Evolucijsko programiranje(struktura programa je fiksna, razvijajo se le stevilski parametri), uporabljajo mutacijo in selekcijo

Question 18

Zakaj uporabljamo evolucijske algoritme?

Answer 18

So učinkoviti pri širokem spektru problemov.
Omogočajo resničen paralelizem.
So robustni in odporni na napake.
So uspešni pri kompleksnih problemih.

Question 19

Kakšne so prednosti evolucijskih algoritmov?

Answer 19

• Ni omejitev v iskalnem prostoru.
• Široko področje uporabe.
• Nizki stroški razvoja.
• Ponuja alternativne rešitve.
• Omogoča interakcijo uporabnika.

Question 20

Kakšne so slabosti evolucijskih algoritmov?

Answer 20

• Ni garancije za rešitev v realnem času.
• Slabo raziskano teoretično ozadje.
• Visoke računske zahteve.

Question 21

Zakaj uporabljamo evolucijske algoritme za gradnjo odločitvenih dreves?

Answer 21

Olajšajo delo z odločitvenimi drevesi, avtomatizirajo iskanje optimalnih parametrov in združijo zahteve v fitnes funkcijo.

Question 22

Kaj je fitnes funkcija pri evolucijskih algoritmih?

Answer 22

Funkcija, ki združuje zahteve, kot so natančnost, uporaba manj atributov in velikost odločitvenega drevesa.

Question 23

Katere tehnike diskretizacije poznamo?

Answer 23

• Ekvidistancna diskretizacija
• Pragovna diskretizacija.
• Izboljšana diskretizacija (toleranca za dinamično diskretizacijo, faktor z).

Question 24

Kako poteka indukcija odločitvenih dreves z genetskimi algoritmi?

Answer 24

• Začetna populacija dreves je generirana naključno.
• Drevesa ocenimo glede na učno množico.
• Uporabimo genetske operatorje in ponovimo proces do optimalne rešitve.

Question 25

Kakšne so prednosti indukcije odločitvenih dreves z genetskimi algoritmi?

Answer 25

• Kakovostne rešitve.
• Uspešna obdelava šuma v podatkih.
• Optimizacija topologije drevesa.
• Možnost pridobitve več ustreznih rešitev.
• Možnost vpliva na gradnjo drevesa.

Question 26

Kakšne so slabosti indukcije odločitvenih dreves z genetskimi algoritmi?

Answer 26

Velika časovna zahtevnost.

Question 27

Kaj so osnovne značilnosti genetskega algoritma?

Answer 27

Rešitev je predstavljena kot binarni vektor, uporablja križanje, mutacijo in selekcijo.

Question 28

Kako genetsko programiranje razlikuje od genetskega algoritma?

Answer 28

Rešitev pri genetskem programiranju je računalniški program, katerega uspešnost je določena z rešitvijo problema.

Question 29

Kako evolucijsko programiranje razlikuje od evolucijskih strategij?

Answer 29

Pri evolucijskem programiranju se razvijajo le številčni parametri programa, medtem ko strategije razvijajo vektor realnih števil.

Question 30

Kako izboljšamo raznolikost klasifikatorjev pri ansambelskih metodah?

Answer 30

Z uporabo različnih učnih podmnožic, atributov ali metod strojnega učenja.